HEDL: Hyper Evidential Deep Learning for Hierarchical Classification
本文介绍了 HEDL，这是一种新颖的超证据深度学习框架，它利用标签分类体系作为核心族群，以高效地建模层级不确定性并提高细粒度分类任务中的校准度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在人工智能领域，教计算机识别物体通常被视为一种简单的匹配游戏：给机器看一张图片，然后让它从一个列表中选出正确的名称。但现实世界很少如此扁平。一只鸟不仅仅是“鸟”；它是一个特定的莺种，属于一个科，进而属于一个目。当人工智能观察一张照片时，它可能非常确定自己看到的是一只莺，却完全无法确定它是黑白莺还是黄臀莺。这是一个层级结构的问题。传统的 AI 模型在此类问题上表现挣扎，因为它们倾向于将每一个可能的答案都视为一个独立的、互不相关的选项，或者强行用一个数字来代表对整个列表的确定程度。这种方法忽略了不确定性究竟存在于何处。它无法捕捉到“对宏观类别不确定”与“对微观细节不确定”之间的区别。
复旦大学的研究人员开发了一种名为 H2EDL 的新方法来解决这一特定问题。他们没有强迫 AI 对复杂的选项列表做出一个巨大的猜测，而是构建了一个模仿知识本身结构的系统。想象一棵家族树，顶端的树枝代表宏观类别，如“航空器”或“皮肤病”，而下方的树枝则分裂成具体的类型，如“波音 737”或“黑色素瘤”。新模型在树的每一个节点都设置了一个微小的决策单元。当 AI 观察图像时，它沿着这棵树向下移动，进行一系列局部决策。在顶端，它可能会自信地说：“这是一架波音飞机。”随着它向更具体的型号移动，它可能会说：“我相当确定它是 737，但我不确定它是 -800 型还是 -900 型版本。”通过将问题分解为这些较小的步骤，该模型可以准确报告其信心在哪里停止，以及不确定性从哪里开始，而不是提供一个模糊且笼统的整体猜测。
其核心创新在于模型处理“不确定性”的方式。旧的方法通常分配一个单一的分数来代表模型对整个可能性集合的“无知”程度。如果模型感到困惑，这个分数会对所有选项都上升。然而，新方法允许模型对宏观类别持有明确观点，同时承认对具体细节的困惑。它通过将树状结构不仅视为标签列表，更视为证据地图来实现这一点。当模型到达一个证据足以确认宏观类别但不足以挑选出特定叶片节点的点时，它就会停在那里。它实际上是在说：“我知道这是一架波音飞机，但我没有足够的信息来决定它是哪种 737 变体。”这创造了一个更加诚实且有用的报告，说明了 AI 知道什么以及它不知道什么。
为了测试这一想法，研究人员在两种截然不同的数据类型上训练了该模型：一组精细化的航空器图像和一个皮肤病数据库。在两种情况下，他们都将新系统与不使用这种基于树状结构的标准化 AI 模型进行了对比。结果显示，虽然新模型在某些实例中并不一定在挑选单个正确叶片方面变得更好，但它在理解自身错误方面变得显著更强。当模型选错具体类型时，它更有可能在宏观类别上保持正确。例如，在皮肤病数据集上，当新模型犯具体错误时，它保持正确宏观类别的频率比标准模型高出约 19%。这意味着即使在 AI 不确定时，它也不太可能跑偏到完全无关的树枝部分，例如将一种皮肤病误认为是另一种完全不同的疾病。
研究还表明，新模型非常擅长识别自己何时在进行猜测。在实验中，标准模型经常变得过度自信，即使在错误的情况下也会给出高确定性评分。相比之下，新系统通过控制其信心水平，尤其是在深入到树的细节部分时。当研究人员将训练数据量增加一倍时，标准模型变得更加过度自信而并未提高准确度，而新模型则保持了稳定、可靠的不确定性水平。这表明，这种新方法不仅仅是一种针对特定数据集的方法，而是一种处理复杂、分层信息的更稳健的方式。它允许 AI 即使在不完美时也能发挥作用，提供一个清晰的信号，告知其知识的边界在哪里，以及何时需要人类判断来填补空白。
最终，这项工作证明了我们在 AI 内部构建知识的方式与我们喂给它的数据同样重要。通过尊重世界的自然层级——即宏观概念包含具体细节——该模型学会了以一种更接近人类的方式进行推理。它输出的不仅仅是一个标签，而是一个关于它如何得出该标签的过程故事，并完整记录了它犹豫不决的点。这种透明度对于那些出错代价高昂的应用（如医疗诊断或航空安全）至关重要。研究人员发现，与以往的技术相比，该方法将模型报告其置信度的误差降低了约一半。更重要的是，它确保了当模型出错时，其错误方式依然贴近事实，即使失去了精细的细节，也能保持宏观背景的完整。这是朝着构建不仅聪明而且能够意识到自身局限性的 AI 系统迈出的重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。